NVIDIA DGX Spark で「機密コードはローカルLLM、移植本番はクラウドLLM」を実装する — 2026年版・経営承認を通すリスクヘッジ運用ガイド

NVIDIA DGX Spark は、NVIDIA が提供する個人・チーム向けの デスクトップ型 AI スーパーコンピュータ です。サーバラックに収める従来の DGX とは別ラインで、Grace + Blackwell を1チップに統合した GB10 Superchip と 128GB のユニファイドメモリを採用し、フットプリントは小型ワークステーション程度。NVIDIA 公式サイトでも "Personal AI Supercomputer" として位置づけられています。本記事では、最新スペック・価格・運用上の使いどころを整理した上で、業務で特に効く 「機密コード解析はローカル、移植本番はクラウド」 の二段運用パターンを具体的に解説します。

公開資料からの主要スペック（出典は本記事末尾の参考文献）：

ユニファイドメモリ128GB が肝で、従来「コンシューマー GPU で苦しい」とされてきた 70B〜100B パラメータ級のモデルが Q4 量子化で実用速度に乗せられます。2台を ConnectX-7 で接続すれば 405B クラスにも対応可能で、「自社の机の上に Llama 4 405B 級が常駐する」イメージに近づきます。 2026年初頭以降のソフトウェア最適化により、同じハードで以前より大幅な速度向上（公式発表で最大 2.6x 級）も継続的に出ており、ハード購入後もアップデートで使い勝手が伸びている製品です。

クラウド LLM ベンダー各社は、API 利用時の 学習データ流用オプトアウト を提供しています。技術的には「データを学習に使わない」設定はほぼ標準化されました。ところが現場では、これでもなお経営陣の承認が下りないケースが少なくありません。 オプトアウト設定があっても承認されにくい典型的な懸念 - 第三者のサーバを通る時点で、社外送出という事実そのもの が監査・コンプラ上の論点になる - 通信経路・ベンダー従業員の不正アクセス・サブプロセッサの追加など、契約条項の解釈余地が残る - インシデント発生時の説明責任（顧客・株主・規制当局）が「設定」だけでは難しい - 業界（医療・金融・公共・防衛・知財重視業種）によっては、そもそも「機密情報の社外送出」を契約・規制レベルで禁止されている - 「将来ベンダーの方針が変わるかもしれない」というシナリオへの備えがオプトアウトでは取れない これらは技術論ではなく ガバナンス論 です。ローカル LLM はこのガバナンス論を「データが社外に出ない」という構造で解消できる、というのが2026年に DGX Spark のような製品が注目されている本質です。

本記事の主題である 「機密コード解析はローカル、移植本番はクラウド」 の二段構えは、次のように設計します。 Stage 1: ローカル LLM（DGX Spark）での分析・サニタイズ - 移植対象のコードベース全体・ドキュメント・社内仕様書を DGX Spark 上のローカル LLM で読み込ませる - 構造解析・依存関係抽出・要件抽出を行う（誰がどのモジュールを呼んでいるか、どこにビジネスロジックが集中しているか、等） - 個人情報・顧客名・プロジェクト名・社内固有名詞・ライセンスキー・APIキー・ハードコードされた接続文字列などを検出・抽出 - これらを 抽象化（汎用化） したコード断片・要件記述を生成（例: 顧客名を `<TENANT>`、社員番号を `<EMP_ID>`、社内 URL を `<INTERNAL_HOST>` 等のプレースホルダに置換） - 抽出した個人情報・固有名詞のマッピング表は ローカルにだけ保存 Stage 2: クラウド LLM（最新フロンティア）での本番移植 - Stage 1 で得られた サニタイズ済みコード／要件記述だけ を、Claude Opus / GPT-5.5 / Kimi K2.6 など最新モデルに送る - これらの最新モデルが持つ高度な移植・最適化能力で、新言語・新フレームワークへの本番品質コードを生成 - 受け取った生成コードは、Stage 1 のマッピング表をローカルで逆適用して、社内固有の名称・接続情報を復元 この設計のキモ - 経営承認の論点である「機密が社外に出ない」が構造的に保証される（送出するのはサニタイズ済みデータのみ） - 一方で「最新フロンティアモデルの高度な能力」も享受できる（Stage 2） - インシデント時の説明責任が明快: 「サニタイズ済みのコードしか送っていない」ことをログで証明可能

1. レガシー資産の言語・フレームワーク移植 - COBOL / 古い C++ / VB6 / 古い Java から最新スタックへの移行 - 機密性の高いコードベースのため社外SaaSに丸ごと出せないが、AI の力は使いたい案件 - 段階的移行（DocDD ＋ AI ペアプログラミング）と相性が良い 2. 社内ナレッジ × RAG の機密版 - 設計書・議事録・特許関連資料を含む社内文書を RAG で扱う - 顧客契約書・人事資料・財務資料など、絶対に社外に出せない情報源を取り込み - DGX Spark のメモリ上に大規模 LLM ＋ ベクトル検索を同居 3. 機密データを使ったファインチューニング - 社内コード規約に合わせたコード補完モデルの構築 - 業界専門用語・社内独自用語を学習させたチャットアシスタントの構築 - 学習データが社外に出ない構成 4. オフラインでも動く業務アプリのバックエンド - ネット接続が不安定な現場（建設・製造・船舶・医療）向けの業務アプリ - 工場や閉域 LAN 内の AI 処理基盤 5. 開発者ペアプロ環境 - 個々の開発者にクラウド利用権限を出さず、共用の DGX Spark を社内 AI コーディング基盤に - 機密プロジェクトのコード補完・テスト生成・リファクタリング支援

- データが物理的に社外に出ない: 経営承認・コンプラ説明が単純化 - 128GB ユニファイドメモリ: 70B〜200B 級のモデルを実用速度（量子化込み）で動かせる - 机の上に置ける: 専用サーバルームや外部ホスティングが不要、購入してすぐに業務環境に置ける - NVIDIA AI ソフトウェアスタック標準同梱: ドライバ・cuDNN・推論エンジン等のセットアップ負荷が低い - ConnectX-7 で2台連結可能: 405B 級まで拡張、必要に応じて段階投資 - 継続的なソフトウェア最適化: 同じハードで時間とともに性能が伸びる（2026年初頭で最大 2.6x の改善が公式発表されている） - 電気代は GPU サーバ より穏やか: フルラックの DGX H100 系統に比べて消費電力ははるかに低い

- 絶対性能はクラウドのフロンティアに及ばない: 最新の超大型モデル（1T+ 級、Kimi K2.6 のフルサイズ等）はクラウドに置く必要あり。"Stage 2" でクラウドを使う前提が現実的 - 入手性・配送リードタイム: 需要が高く納期にばらつきがある時期があり、調達は前広に - Arm アーキテクチャ: 一部の x86 専用バイナリ・ツールが直接動かないケースに注意（Docker / コンテナ運用が前提） - ストレージ容量: 4TB は大きいが、複数の大規模モデル＋データセットを置くと埋まりやすい。NAS / 外付け SSD の併用を計画する - 冷却と設置場所: 静音性能は高いが、夏場の長時間連続推論ではエアコン管理が必要なケースあり - OS / ドライバ更新の運用: NVIDIA AI スタックは更新頻度が高く、運用ポリシー（更新タイミング・検証手順）を最初に決めておく - "ローカルだから安全" ではなく、社内ネットワーク側の対策が前提: アクセス制御・認証・監査ログの整備は別途必要

実際に Stage 1 / Stage 2 の運用を回すための、現実的なステップです。 1. DGX Spark の調達と設置: ネットワーク的には社内 LAN 側の閉域に置く。インターネット直接接続は不要、必要なときだけプロキシ経由 2. ローカル LLM の選定: コーディング系なら Qwen 3.6-27B / Kimi K2.6（量子化版）/ DeepSeek V4-Flash あたりが現実解。Ollama / vLLM / TGI などの推論サーバで配信 3. サニタイズパイプラインの構築: 「個人情報・固有名詞・APIキー」を検出するルール（regex + NER）と、置換ルール、マッピング表保存ロジックをスクリプト化 4. クラウド送出ゲートの設置: 送出されるテキストに 生の固有名詞が含まれていないことを自動チェックするゲートを設ける（外部送出前のリンター） 5. Stage 2 のクラウド連携: Claude Opus / GPT-5.5 / Kimi K2.6 のクラウド API へ送り、結果をローカルに戻す。ログは社内に集約 6. 逆適用処理: マッピング表を使って、生成コードのプレースホルダを社内固有名に置換し、本番コードリポジトリに登録 7. 監査ログ: "何が外部に送られて、何が戻ってきたか" をすべて記録し、経営・コンプラ向けレポートとして提出可能にする この全体構成は、弊社の DocDD（Document Driven Development） ワークフローとの相性が良く、移植案件ではまず DocDD で仕様を固めて → Stage 1 で機密分離 → Stage 2 でフロンティアモデル活用 → 結果を DocDD ベースでレビュー、という流れが定石です。

業種・規制によっては、Stage 2（クラウド送出）すら許されない案件もあります。その場合の指針： - ローカル LLM の絶対性能は最新フロンティアに及ばないことを 要件定義段階で明示（「最新の Claude Opus / GPT-5.5 と同等品質を期待しない」前提を書面で握る） - 移植のような複雑タスクは AI 単独で完結させず、DocDD ＋ 経験あるエンジニアのレビューで品質を担保する設計に倒す - 必要なら DGX Spark 2 台連結で 405B 級モデルまで上げる（コスト約 $9,400 で世代の異なるエンタープライズ環境が手に入る） - それでも品質が足りない場合は、サニタイズの粒度をさらに上げてStage 2に出す方向で経営と再交渉する（「これだけ抽象化すれば社外に出してOK」のラインを社内基準として定義） 「すべてオンプレ」と「クラウド全面利用」のあいだに、現実的な中間解（DGX Spark + サニタイズゲート + 限定的クラウド利用） を設計するのがエンジニアリングとしての本領です。

オブライトでは、機密性の高いコード移植・社内 AI 基盤構築の案件で DGX Spark を提案候補に含めています。代表的な提案パターン： - レガシー資産の AI 駆動移植: Stage 1（DGX Spark）/ Stage 2（クラウド）の二段構えを、お客様のセキュリティ要件に合わせて設計 - 社内コーディング AI 基盤: 開発者個別のクラウド契約を不要にし、共用の DGX Spark で機密案件のコード補完・レビューを集約 - 機密 RAG 環境: 社内文書を社外に出さずに RAG 検索基盤を整備 - PoC ラボ: クラウドコストを気にせず、ローカル LLM の試行錯誤を繰り返せる環境 OpenClaw のエージェント基盤、AI 導入コンサルティング、ソフトウェア開発 と組み合わせて、調達から運用設計、社内ガバナンス文書の整備までワンストップで対応します。

Q1: Mac mini や RTX 5090 PC ではダメですか？ A: 軽量モデル（〜30B 級）であれば Mac mini や 24GB VRAM クラスの GPU 搭載 PC で十分です。70B〜200B 級を実用速度で動かしたい、つまり今回のような大規模コード資産解析・社内基盤レベルの用途では、DGX Spark の 128GB ユニファイドメモリが効きます。用途とモデル規模で選択するのが現実的です。 Q2: クラウドの GPU レンタル（AWS / Lambda / RunPod 等）と比べて？ A: 短期 PoC ならクラウドが安いことも多いです。一方、機密データを物理的に外に出さない点と、長期間連続稼働するとオンプレが安くなる点が DGX Spark の論点。経営承認の出やすさが現場では決定打になります。 Q3: サニタイズで完全に個人情報を除去できますか？ A: 100% は技術的に困難です。だからこそ「ゲート（自動チェック）＋ 人間の最終承認」を二重に設けるのが推奨。NER（固有表現抽出）モデルのチューニング・ルール継続改善が前提になります。 Q4: 2台連結（405B 対応）の効果は？ A: フロンティアクラスの 1T+ モデルには届かないものの、Llama 4 / DeepSeek V4-Flash クラスの本格的な大モデルがオンプレで動かせる規模感になります。社内基盤として段階投資の現実解です。 Q5: 経営に説明する材料として何が決定打になりますか？ A: 「社外送出される情報が技術的にゼロ／サニタイズ済みのみであることを、ログとゲートで監査可能にする」のが鉄板です。「設定でオプトアウトしている」よりも「物理的に出ていない」ことを示せるほうが、コンプラ・監査・取締役会のいずれでも通りやすくなります。 Q6: 学習・ファインチューニングまでDGX Spark1台でできますか？ A: 推論中心の設計ですが、LoRA / QLoRA 等の軽量ファインチューニングは現実的に可能。フルファインチューニングや事前学習はクラウドの大規模 GPU クラスタ向けです。

- NVIDIA DGX Spark 公式（日本語） - NVIDIA DGX Spark 公式（英語） - NVIDIA DGX Spark Marketplace - DGX Spark Hardware Overview（NVIDIA Docs） - New Software and Model Optimizations Supercharge NVIDIA DGX Spark（NVIDIA Technical Blog） - Deploying Private AI Agents with Dify on NVIDIA DGX Spark（Dify Blog） - NVIDIA DGX Spark Review（IntuitionLabs） - NVIDIA DGX Spark In-Depth Review（LMSYS Org） - 関連: DocDD（Document Driven Development）コラム - 関連: Qwen 3.6-27B 解説 / Kimi K2.6 GA 公開 / GPT-5.5 / Claude Opus 4.7